Spark 与 Iceberg 整合 DDL 操作
这里使用 Hadoop Catalog 来演示 Spark 与 Iceberg 的 DDL 操作。
一、CREATE TABLE 创建表
Create table 创建 Iceberg 表，创建表不仅可以创建普通表还可以创建分区表，再向分区表中插入一批数据时，必须对数据中分区列进行排序，否则会出现文件关闭错误，代码如下：
val spark: SparkSession = SparkSession.builder().master("local").appName("SparkOperateIceberg") //指定hadoop catalog，catalog名称为hadoop_prod .config("spark.sql.catalog.hadoop_prod", "org.apache.iceberg.spark.SparkCatalog") .config("spark.sql.catalog.hadoop_prod.type", "hadoop") .config("spark.sql.catalog.hadoop_prod.warehouse", "hdfs://mycluster/sparkoperateiceberg") .getOrCreate()
//创建普通表spark.sql( """ | create table if not exists hadoop_prod.default.normal_tbl(id int,name string,age int) using iceberg """.stripMargin)
//创建分区表,以 loc 列为分区字段spark.sql( """ |create table if not exists hadoop_prod.default.partition_tbl(id int,name string,age int,loc string) using iceberg partitioned by (loc) """.stripMargin)
//向分区表中插入数据时，必须对分区列排序，否则报错：java.lang.IllegalStateException: Already closed files for partition:xxxspark.sql( """ |insert into table hadoop_prod.default.partition_tbl values (1,"zs",18,"beijing"),(3,"ww",20,"beijing"),(2,"ls",19,"shanghai"),(4,"ml",21,"shagnhai") """.stripMargin)spark.sql("select * from hadoop_prod.default.partition_tbl").show()
复制代码
查询结果如下：
创建 Iceberg 分区时，还可以通过一些转换表达式对 timestamp 列来进行转换，创建隐藏分区，常用的转换表达式有如下几种：
//创建分区表 partition_tbl1 ,指定分区为yearspark.sql( """ |create table if not exists hadoop_prod.default.partition_tbl1(id int ,name string,age int,regist_ts timestamp) using iceberg |partitioned by (years(regist_ts)) """.stripMargin)
//向表中插入数据，注意，插入的数据需要提前排序，必须排序，只要是相同日期数据写在一起就可以//(1,'zs',18,1608469830) --"2020-12-20 21:10:30"//(2,'ls',19,1634559630) --"2021-10-18 20:20:30"//(3,'ww',20,1603096230) --"2020-10-19 16:30:30"//(4,'ml',21,1639920630) --"2021-12-19 21:30:30"//(5,'tq',22,1608279630) --"2020-12-18 16:20:30"//(6,'gb',23,1576843830) --"2019-12-20 20:10:30"spark.sql( """ |insert into hadoop_prod.default.partition_tbl1 values |(1,'zs',18,cast(1608469830 as timestamp)), |(3,'ww',20,cast(1603096230 as timestamp)), |(5,'tq',22,cast(1608279630 as timestamp)), |(2,'ls',19,cast(1634559630 as timestamp)), |(4,'ml',21,cast(1639920630 as timestamp)), |(6,'gb',23,cast(1576843830 as timestamp)) """.stripMargin)
//查询结果spark.sql( """ |select * from hadoop_prod.default.partition_tbl1 """.stripMargin).show()
复制代码
数据结果如下：
在 HDFS 中是按照年进行分区：
//创建分区表 partition_tbl2 ,指定分区为months,会按照“年-月”分区spark.sql( """ |create table if not exists hadoop_prod.default.partition_tbl2(id int ,name string,age int,regist_ts timestamp) using iceberg |partitioned by (months(regist_ts)) """.stripMargin)
//向表中插入数据，注意，插入的数据需要提前排序，必须排序，只要是相同日期数据写在一起就可以//(1,'zs',18,1608469830) --"2020-12-20 21:10:30"//(2,'ls',19,1634559630) --"2021-10-18 20:20:30"//(3,'ww',20,1603096230) --"2020-10-19 16:30:30"//(4,'ml',21,1639920630) --"2021-12-19 21:30:30"//(5,'tq',22,1608279630) --"2020-12-18 16:20:30"//(6,'gb',23,1576843830) --"2019-12-20 20:10:30"spark.sql( """ |insert into hadoop_prod.default.partition_tbl2 values |(1,'zs',18,cast(1608469830 as timestamp)), |(5,'tq',22,cast(1608279630 as timestamp)), |(2,'ls',19,cast(1634559630 as timestamp)), |(3,'ww',20,cast(1603096230 as timestamp)), |(4,'ml',21,cast(1639920630 as timestamp)), |(6,'gb',23,cast(1576843830 as timestamp)) """.stripMargin)
//查询结果spark.sql( """ |select * from hadoop_prod.default.partition_tbl2 """.stripMargin).show()
复制代码
数据结果如下：
在 HDFS 中是按照“年-月”进行分区：
//创建分区表 partition_tbl3 ,指定分区为 days,会按照“年-月-日”分区spark.sql( """ |create table if not exists hadoop_prod.default.partition_tbl3(id int ,name string,age int,regist_ts timestamp) using iceberg |partitioned by (days(regist_ts)) """.stripMargin)
//向表中插入数据，注意，插入的数据需要提前排序，必须排序，只要是相同日期数据写在一起就可以//(1,'zs',18,1608469830) --"2020-12-20 21:10:30"//(2,'ls',19,1634559630) --"2021-10-18 20:20:30"//(3,'ww',20,1603096230) --"2020-10-19 16:30:30"//(4,'ml',21,1639920630) --"2021-12-19 21:30:30"//(5,'tq',22,1608279630) --"2020-12-18 16:20:30"//(6,'gb',23,1576843830) --"2019-12-20 20:10:30"spark.sql( """ |insert into hadoop_prod.default.partition_tbl3 values |(1,'zs',18,cast(1608469830 as timestamp)), |(5,'tq',22,cast(1608279630 as timestamp)), |(2,'ls',19,cast(1634559630 as timestamp)), |(3,'ww',20,cast(1603096230 as timestamp)), |(4,'ml',21,cast(1639920630 as timestamp)), |(6,'gb',23,cast(1576843830 as timestamp)) """.stripMargin)
//查询结果spark.sql( """ |select * from hadoop_prod.default.partition_tbl3 """.stripMargin).show()
复制代码
数据结果如下：
在 HDFS 中是按照“年-月-日”进行分区：
//创建分区表 partition_tbl4 ,指定分区为 hours,会按照“年-月-日-时”分区spark.sql( """ |create table if not exists hadoop_prod.default.partition_tbl4(id int ,name string,age int,regist_ts timestamp) using iceberg |partitioned by (hours(regist_ts)) """.stripMargin)
//向表中插入数据，注意，插入的数据需要提前排序，必须排序，只要是相同日期数据写在一起就可以//(1,'zs',18,1608469830) --"2020-12-20 21:10:30"//(2,'ls',19,1634559630) --"2021-10-18 20:20:30"//(3,'ww',20,1603096230) --"2020-10-19 16:30:30"//(4,'ml',21,1639920630) --"2021-12-19 21:30:30"//(5,'tq',22,1608279630) --"2020-12-18 16:20:30"//(6,'gb',23,1576843830) --"2019-12-20 20:10:30"spark.sql( """ |insert into hadoop_prod.default.partition_tbl4 values |(1,'zs',18,cast(1608469830 as timestamp)), |(5,'tq',22,cast(1608279630 as timestamp)), |(2,'ls',19,cast(1634559630 as timestamp)), |(3,'ww',20,cast(1603096230 as timestamp)), |(4,'ml',21,cast(1639920630 as timestamp)), |(6,'gb',23,cast(1576843830 as timestamp)) """.stripMargin)
//查询结果spark.sql( """ |select * from hadoop_prod.default.partition_tbl4 """.stripMargin).show()
复制代码
数据结果如下：
在 HDFS 中是按照“年-月-日-时”进行分区：
Iceberg 支持的时间分区目前和将来只支持 UTC,UTC 是国际时，UTC+8 就是国际时加八小时，是东八区时间,也就是北京时间，所以我们看到上面分区时间与数据时间不一致。
除了以上常用的时间隐藏分区外，Iceberg 还支持 bucket(N,col)分区，这种分区方式可以按照某列的 hash 值与 N 取余决定数据去往的分区。truncate(L,col)，这种隐藏分区可以将字符串列截取 L 长度，相同的数据会被分到相同分区中。
二、CREATE TAEBL ... AS SELECT
Iceberg 支持“create table .... as select ”语法，可以从查询语句中创建一张表，并插入对应的数据，操作如下：
1、创建表 hadoop_prod.default.mytbl,并插入数据
val spark: SparkSession = SparkSession.builder().master("local").appName("SparkOperateIceberg") //指定hadoop catalog，catalog名称为hadoop_prod .config("spark.sql.catalog.hadoop_prod", "org.apache.iceberg.spark.SparkCatalog") .config("spark.sql.catalog.hadoop_prod.type", "hadoop") .config("spark.sql.catalog.hadoop_prod.warehouse", "hdfs://mycluster/sparkoperateiceberg") .getOrCreate()
//创建普通表spark.sql( """ | create table hadoop_prod.default.mytbl(id int,name string,age int) using iceberg """.stripMargin)
//向表中插入数据spark.sql( """ |insert into table hadoop_prod.default.mytbl values (1,"zs",18),(3,"ww",20),(2,"ls",19),(4,"ml",21) """.stripMargin)
//查询数据spark.sql("select * from hadoop_prod.default.mytbl").show()
复制代码
2、使用“create table ... as select”语法创建表 mytal2 并查询
spark.sql( """ |create table hadoop_prod.default.mytbl2 using iceberg as select id,name,age from hadoop_prod.default.mytbl """.stripMargin)spark.sql( """ |select * from hadoop_prod.default.mytbl2 """.stripMargin).show()
复制代码
结果如下：
三、REPLACE TABLE ... AS SELECT
Iceberg 支持“replace table .... as select ”语法，可以从查询语句中重建一张表，并插入对应的数据，操作如下：
1、创建表“hadoop_prod.default.mytbl3”，并插入数据、展示
spark.sql( """ |create table hadoop_prod.default.mytbl3 (id int,name string,loc string,score int) using iceberg """.stripMargin)spark.sql( """ |insert into table hadoop_prod.default.mytbl3 values (1,"zs","beijing",100),(2,"ls","shanghai",200) """.stripMargin)spark.sql( """ |select * from hadoop_prod.default.mytbl3 """.stripMargin).show
复制代码
2、重建表“hadoop_prod.default.mytbl3”，并插入对应数据
spark.sql( """ |replace table hadoop_prod.default.mytbl2 using iceberg as select * from hadoop_prod.default.mytbl3 """.stripMargin)
spark.sql( """ |select * from hadoop_prod.default.mytbl2 """.stripMargin).show()
复制代码
四、DROP TABLE
删除 iceberg 表时直接执行:“drop table xxx”语句即可，删除表时，表数据会被删除，但是库目录存在。
//删除表spark.sql( """ |drop table hadoop_prod.default.mytbl """.stripMargin)
复制代码
五、ALTER TABLE
Iceberg 的 alter 操作在 Spark3.x 版本中支持，alter 一般包含以下操作：
添加列操作：ALTER TABLE ... ADD COLUMN
删除列操作：ALTER TABLE ... DROP COLUMN
//1.创建表test，并插入数据、查询spark.sql( """ |create table hadoop_prod.default.test(id int,name string,age int) using iceberg """.stripMargin)spark.sql( """ |insert into table hadoop_prod.default.test values (1,"zs",18),(2,"ls",19),(3,"ww",20) """.stripMargin)spark.sql( """ | select * from hadoop_prod.default.test """.stripMargin).show()
//2.添加字段,给 test表增加 gender 列、loc列spark.sql( """ |alter table hadoop_prod.default.test add column gender string,loc string """.stripMargin)
//3.删除字段，给test 表删除age 列spark.sql( """ |alter table hadoop_prod.default.test drop column age """.stripMargin)
//4.查看表test数据spark.sql( """ |select * from hadoop_prod.default.test """.stripMargin).show()
复制代码
最终表展示的列少了 age 列，多了 gender、loc 列：
重命名列语法：ALTER TABLE ... RENAME COLUMN，操作如下:
//5.重命名列spark.sql( """ |alter table hadoop_prod.default.test rename column gender to xxx | """.stripMargin)spark.sql( """ |select * from hadoop_prod.default.test """.stripMargin).show()
复制代码
最终表展示的列 gender 列变成了 xxx 列：
六、ALTER TABLE 分区操作
alter 分区操作包括增加分区和删除分区操作，这种分区操作在 Spark3.x 之后被支持，spark2.4 版本不支持，并且使用时，必须在 spark 配置中加入 spark.sql.extensions 属性，其值为：org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions，在添加分区时还支持分区转换，语法如下：
具体操作如下：
1、创建表 mytbl，并插入数据
val spark: SparkSession = SparkSession.builder().master("local").appName("SparkOperateIceberg") //指定hadoop catalog，catalog名称为hadoop_prod .config("spark.sql.catalog.hadoop_prod", "org.apache.iceberg.spark.SparkCatalog") .config("spark.sql.catalog.hadoop_prod.type", "hadoop") .config("spark.sql.catalog.hadoop_prod.warehouse", "hdfs://mycluster/sparkoperateiceberg") .config("spark.sql.extensions","org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions") .getOrCreate()
//1.创建普通表spark.sql( """ | create table hadoop_prod.default.mytbl(id int,name string,loc string,ts timestamp) using iceberg """.stripMargin)//2.向表中插入数据，并查询spark.sql( """ |insert into hadoop_prod.default.mytbl values |(1,'zs',"beijing",cast(1608469830 as timestamp)), |(3,'ww',"shanghai",cast(1603096230 as timestamp)) """.stripMargin)spark.sql("select * from hadoop_prod.default.mytbl").show()
复制代码
在 HDFS 中数据存储和结果如下：
2、将表 loc 列添加为分区列，并插入数据，查询
//3.将 loc 列添加成分区,必须添加 config("spark.sql.extensions", "org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions") 配置spark.sql( """ |alter table hadoop_prod.default.mytbl add partition field loc """.stripMargin)
//4.向表 mytbl中继续插入数据，之前数据没有分区，之后数据有分区spark.sql( """ |insert into hadoop_prod.default.mytbl values |(5,'tq',"hangzhou",cast(1608279630 as timestamp)), |(2,'ls',"shandong",cast(1634559630 as timestamp)) """.stripMargin )spark.sql("select * from hadoop_prod.default.mytbl").show()
复制代码
在 HDFS 中数据存储和结果如下：
注意：添加分区字段是元数据操作，不会改变现有的表数据，新数据将使用新分区写入数据，现有数据将继续保留在原有的布局中。
3、将 ts 列进行转换作为分区列，插入数据并查询
//5.将 ts 列通过分区转换添加为分区列spark.sql( """ |alter table hadoop_prod.default.mytbl add partition field years(ts) """.stripMargin)
//6.向表 mytbl中继续插入数据，之前数据没有分区，之后数据有分区spark.sql( """ |insert into hadoop_prod.default.mytbl values |(4,'ml',"beijing",cast(1639920630 as timestamp)), |(6,'gb',"tianjin",cast(1576843830 as timestamp)) """.stripMargin )spark.sql("select * from hadoop_prod.default.mytbl").show()
复制代码
在 HDFS 中数据存储和结果如下：
4、删除分区 loc
//7.删除表 mytbl 中的loc分区spark.sql( """ |alter table hadoop_prod.default.mytbl drop partition field loc """.stripMargin)//8.继续向表 mytbl 中插入数据，并查询spark.sql( """ |insert into hadoop_prod.default.mytbl values |(4,'ml',"beijing",cast(1639920630 as timestamp)), |(6,'gb',"tianjin",cast(1576843830 as timestamp)) """.stripMargin )spark.sql("select * from hadoop_prod.default.mytbl").show()
复制代码
在 HDFS 中数据存储和结果如下：
注意：由于表中还有 ts 分区转换之后对应的分区，所以继续插入的数据 loc 分区为 null
5、删除分区 years(ts)
//9.删除表 mytbl 中的years(ts) 分区spark.sql( """ |alter table hadoop_prod.default.mytbl drop partition field years(ts) """.stripMargin)//10.继续向表 mytbl 中插入数据，并查询spark.sql( """ |insert into hadoop_prod.default.mytbl values |(5,'tq',"hangzhou",cast(1608279630 as timestamp)), |(2,'ls',"shandong",cast(1634559630 as timestamp)) """.stripMargin )spark.sql("select * from hadoop_prod.default.mytbl").show()
复制代码
在 HDFS 中数据存储和结果如下：
评论